Firma potrzebuje interpretowalnego modelu uczenia maszynowego do oceny ryzyka wniosków kredytowych. Który model lub algorytm najlepiej spełnia wymóg interpretowalności?

Model regresji logistycznej jest najlepszym wyborem, ponieważ jest z natury interpretowalny. Współczynniki modelu bezpośrednio wskazują, jak każda cecha wpływa na prawdopodobieństwo wyniku (np. ryzyka kredytowego), co ułatwia zrozumienie i uzasadnienie decyzji. Modele głębokiego uczenia są zazwyczaj "czarnymi skrzynkami", trudnymi do interpretacji. Algorytm grupowania K-means służy do znajdowania podobnych grup danych, a nie do przewidywania ryzyka. Algorytm Random Cut Forest jest używany do wykrywania anomalii, a nie do budowania interpretowalnych modeli predykcyjnych.